README.md

Deep Learning for Self-Driving Cars : DeepTesla

http://selfdrivingcars.mit.edu/deeptesla/

题目描述

本项目中，你需要利用MIT 6.S094 这门公开课中的Tesla数据集训练深度学习模型，根据车辆的前置相机所拍摄的路况图像，实现对车辆转向角度的预测。

数据

主要包括tesla在两种不同驾驶模式（human driving和autopilot）下的前置相机录制的视频和车辆的转向控制信号。数据可以从这里下载:百度云

数据格式如下:

• 前置相机记录的视频: 截图如下

• 行驶过程中的控制信号: CSV格式

  ts_micro	frame_index	wheel
  1464305394391807	0	-0.5
  1464305394425141	1	-0.5
  1464305394458474	2	-0.5

  其中，ts_micro是时间戳，frame_index是帧编号，wheel是转向角度（以水平方向为基准，+为顺时针，-为逆时针）

建议

• 课程讲义提供了很好的入门介绍，原链接在dropbox，国内用户可以从百度云下载。
• 课程项目介绍阐述了实现思路(ConvNetJS)。
• 课程网页应用提供了试验环境，可以测试模型的效果。
• 除了课程介绍之外的几个有用的课程和论文:
  • End to End Learning for Self-Driving Cars
  • Dataset and code for 2016 paper “Learning a Driving Simulator”
  • CS231n Convolutional Neural Networks for Visual Recognition
• 注：作为Udacity MLND的毕业项目，我们建议使用keras+tensorflow+jupyter notebook来完成，但也可以同时利用ConvNetJS来进行测试(关于ConvNetJS的资料，可以参考karpathy/convnetjs/)。

要求

• 优化你的模型并使预测结果和真实的转向角度尽可能接近。

• 这里我们以epoch10_front.mkv和epoch10_steering.csv对应的行驶记录作为评价标准，你的报告中应该包含模型最后在该记录中取得的效果。

• 此外，我们建议将你的网络输入课程所提供的网页应用中，查看模型的预测效果。

评估

你的项目会由优达学城项目评审师依照机器学习毕业项目要求来评审。请确定你已完整的读过了这个要求，并在提交前对照检查过了你的项目。提交项目必须满足所有要求中每一项才能算作项目通过。

提交：

• PDF 报告文件（注意这不应该是notebook的导出，请尽量按照模板填写）
• 项目相关代码（包括从raw data开始到最终结果以及你过程中所有数据分析和作图的代码，其中分析和可视化部分建议在notebook中完成）
• 包含使用的库，机器硬件，机器操作系统，训练时间等数据的 README 文档（建议使用 Markdown ）